Zweck

Abhängig vom Abstand von der Geraden oder Kurve, der durch Regressionsanalyse erhalten wurde Ändern Sie die Farbe und Dichte der zu zeichnenden Punkte.
Visualisieren Sie die Entfernungsverteilung in anderen Figuren.

Code

`example.py`


import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()  #Es scheint, dass die Figur wunderschön gezeichnet werden kann, ich benutze sie immer

amp = 100    #Amplitude
frequency = 0.02     #Frequenz
offset = 1000       #Versatz

t = np.linspace(0,100,1000)
y_ = amp*np.sin(2*np.pi*frequency*t)+offset  #Theoretischer Wert=Wiederholungskurve sin
y = np.random.poisson(y_)    #Beobachteter Wert=Mit Irrtum Sünde

###Maine###
dis = abs( y_ - y )/ y_.max()   #Die Differenz zwischen dem theoretischen Wert und dem beobachteten Wert beträgt 0.0~1.Skalieren Sie auf einen Wert von 0
color_list=[ [1-9*i,0,i*9,i*5] for i in dis ]   #Geben Sie die Farbe mit dem RGB-Wert an

f = plt.figure(figsize = (12,6))
f.add_subplot(121)
plt.scatter(t,y_)
plt.xlabel('t')
plt.ylabel('y')

f.add_subplot(122)
plt.scatter(t,y,color = color_list)    
plt.xlabel('t')
plt.ylabel('y')

Ergebnis

Kommentar

Erstens, in Bezug auf die Daten, indem der Wert der Sinuswelle zu jedem Zeitpunkt in "np.random.poisson (y_)" eingesetzt wird, ** y ** ist eine Sinuswelle, die einer Poissonverteilung mit einem durchschnittlichen ** y_ ** -Fehler folgt. Daher hat ein großer Wert einen großen Fehler und ein kleiner Wert einen kleinen Fehler. 　 Wie Sie sehen können, verwendet die Hauptabstufung dieses Mal eine for-Anweisung, um die Farbe anzugeben. In matplotlib kann die Farbe durch [R, G, B, Dunkelheit] = [r, g, b, c] angegeben werden. R, g, b, c nehmen jedoch Werte von 0,0 bis 1,0 an. Unter Verwendung dieses Mechanismus wurden die vier Regeln so berechnet, dass die Farbe auf kurzen Entfernungen heller und auf langen Entfernungen dunkler wird. In diesem Beispiel ist es auf kurzen Entfernungen hellrot und auf langen Entfernungen dunkelblau.

wichtiger Punkt

Der RGB-Wert muss zwischen 0,0 und 1,0 liegen, daher muss der Koeffizient auf diesen Bereich eingestellt werden.
Natürlich gibt es viele Punkte in der Nähe der Regressionskurve (gerade Regressionslinie). Wenn Sie sie also nicht wesentlich dünner machen, überlappen sich die Punkte und Sie können nicht unterscheiden, ob die Dichte hoch oder der Abstand kurz ist.

Anwendung

Mit dieser Farbspezifikation kann der Abstand von der Regressionskurve in anderen Figuren dargestellt werden. Betrachten wir einen Fall, in dem der vorherige Code ein wenig geändert wird und der Fehler mit der Zeit zunimmt. (Code wird später beschrieben) Betrachtet man die Figuren der horizontalen Achse ** t **, der vertikalen Achse ** y **, der horizontalen Achse ** y_ **, der vertikalen Achse ** y **,

Aus der Abbildung links kann die Vergrößerung der Entfernung (Fehler) auf einen Blick bestätigt werden. Aus der Abbildung rechts ist ersichtlich, dass der Abstand zwischen ** y ** und ** y_ ** mit ** y_ ** korreliert. Auf diese Weise ist zu erwarten, dass das Verständnis der Daten durch Ändern der Plotachse weiter vertieft wird. Je mehr Parameter den beobachteten Wert ** y ** bestimmen, desto mehr verschiedene Perspektiven können genossen werden.

Geänderter Code

`example2.py`



import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()

amp=100   #Amplitude
frequency=0.02 #Frequenz
offset=1000     #vorspannen
t=np.linspace(0,100,1000)
y_=amp*np.sin(2*np.pi*frequency*t)+offset

y=np.random.poisson(y_+2.6*t)   ###Zeile ändern###

dis=abs(y_-y)/y_.max()
color_list=[[1-3*i,0,3*i,i] for i in dis]    ###Zeile ändern###

f=plt.figure(figsize=(12,6))
f.add_subplot(121)
plt.scatter(t,y,color=color_list)    
plt.xlabel('t')
plt.ylabel('y')

f.add_subplot(122)
plt.scatter(y_,y,color=color_list)
plt.xlabel('y_')
plt.ylabel('y')

Ergänzungen

Vergleich von Zeit und theoretischem Wert ** y_ ** Die Farbtiefe der Umhüllung ist wahrscheinlich auf die hohe Punktdichte zurückzuführen.

[PYTHON] Farbpunkte entsprechend dem Abstand von der Regressionskurve